<![CDATA[Klasifikasi data pada studi kasus data penerima bantuan sosial berfungsi untuk mengklasifikasi berdasarkan label atau kelas yang menjadi indikasi rekomendasi penerima bantuan social. Naive Bayes Classifier (NBC) adalah salah satu metode atau algoritma klasifikasi dalam data mining yang memiliki kecepatan tinggi. Namun, asumsi tersebut tidak selalu tepat sehingga dapat mempengaruhi tingkat keakuratan. Hal ini disebabkan oleh waktu yang lama dan akurasi prediksi yang masih belum optimal. Untuk mengatasi masalah tersebut, perlu dilakukan optimasi terhadap NBC agar dapat bekerja lebih optimal dalam berbagai kondisi dataset. Penelitian ini bertujuan untuk mengoptimalkan algoritma Naïve Bayes Classifier menggunakan Particle Swarm Optimization guna meningkatkan akurasi dalam proses klasifikasi penerima bantuan sosial. Berdasarkan pengujian optimasi Naive Bayes menggunakan PSO menghasilkan nilai optimal dari parameter model yang meningkatkan akurasi klasifikasi. Dalam pengujian dengan 10 data, PSO berhasil mengoptimalkan parameter Naive Bayes sehingga 9 dari 10 data diklasifikasikan dengan benar sebagai penerima bantuan, dan 1 data diklasifikasikan sebagai bukan penerima bantuan. Nilai fitness dari model yang dioptimalkan mendekati 0.9 (90% akurasi), menunjukkan bahwa PSO efektif dalam menyesuaikan parameter untuk meningkatkan performa Naive Bayes. Maka hal ini dapat di simpulkan bahwa penggunaan algortima PSO, model Naive Bayes menjadi lebih akurat dan andal dalam klasifikasi data, khususnya dalam konteks pengambilan keputusan untuk menentukan penerima bantuan sosial.]]>
Copyrights © 2024
